優化前的第個培訓樣本出現最大誤差4.61%，優化后降至0.85%。驗證數據樣本值跨度大，證明模型泛化能力強。

目前，煤電站污染物排放備受矚目，從火電站大氣污染物排放標準(GB1323-2011)的發布[1]到目前為止提出的煤電站大氣污染物超低排放，NOX、SO2和粉塵排放限制分別為50、35、10mg/m3(中東部地區為5mg/m3)，煤電站鍋爐需要更高效、低污染地運行。

國內大部分燃煤電站通過選擇性催化還原法SCR脫硝設備控制NOX排放濃度，但為了減少氨的逃脫問題，SCR脫硝效率一般設計為90%以下[2]。因此，達到超低排放限制值，爐內燃燒優化非常重要。隨著計算機領域的快速發展，人工神經網絡逐漸應用于燃煤電站鍋爐控制系統[3-5]。

電站鍋爐內燃燒非常復雜，尤其是NOX的生成機制，至今無函數映射精確描述，人工神經網絡處理復雜的非線性映射問題優勢明顯，精度好，泛化能力強，容錯率高，是一種可廣泛應用的黑箱模式。應用人工神經網絡不必考慮復雜的燃燒過程和NOX生成機制，以可靠的數據樣本作為輸入和輸出學習，保證網絡的性能要求[6-7]。

部分學者在神經網絡應用于鍋爐燃燒優化領域已有一些研究成果。BOOTH等[8]從降低NOX排放濃度入手，建立鍋爐NOX排放模型，對其運行參數進行優化，優化后的鍋爐NOX排放量降低了16%，鍋爐效率提高了0.3%。王斌忠等[9]在研究鍋爐灰渣渣中采用SVM模型預測生成。

周昊等[10][11]對某30萬單元的鍋爐飛灰含碳量和污染物排放構建了BP神經網絡模型。董文波以某電廠鍋爐為原型，應用RBF神經網絡建立了鍋爐主蒸汽溫度監控系統，在常見PID的基礎上，建立了RBF網絡的PID控制器。以上研究在控制優化方面有很多獨特的見解，但在模型建立上相對單一，本研究在建立鍋爐NOX排放神經網絡模型的基礎上，應用遺傳算法優化模型，大大提高了網絡的性能。

1研究對象

本文研究對象為某發電公司660MW超臨界參數變壓直流鍋爐，BMCR工況下主蒸汽參數為2060t/h、26.15Mpa、605℃，一次再熱、變壓直流、單爐膛、固態排渣、全懸吊結構Ⅱ型鍋爐。制粉系統是中速磨煤機直吹式正壓冷一次風制粉系統，運行設計煤種，每爐配備6臺磨煤機，備用1臺。采用前后墻對沖燃燒，燃燒器布置3層，每層前后墻各6只低氮旋流燃燒器。

2BP神經網絡建模

BP神經網絡是少有的誤差信號反向傳輸，包含多個隱含層的前饋神經網絡。外界信號通過輸入層傳遞到中間隱含層，這是BP神經網絡的核心計算處，信號在這里處理完畢后傳遞到輸出層，判斷是否符合輸出誤差，決定是完成訓練還是反饋誤差繼續訓練。不斷調整各層之間的權值和門檻，當誤差范圍符合要求時，網絡完成培訓[12-13]。

2.1模型建立

本研究的電站鍋爐已投運，爐型、燃燒方式等主要設備一般不變。在電廠經常運行的負荷和煤種下，氧量對NOX的生成有很大影響，因此輸入各二次門的開度反映氧量對NOX的生成量的影響。5臺磨煤機的給粉反映了煤粉量對NOX生成的影響，爐膛和風箱壓差描述了風速的影響，研究燃燒的風會影響NOX的生成量，因此將2個燃燒的風口開度也作為輸入參數，共計14個輸入參數，輸出為NOX排出濃度。建模實驗數據見表1。

表1建模實驗數據

BP神經網絡的sigmod傳輸函數要求數據區間為[0、1]或[-1、1]，因此在訓練前將數據樣本進行統一處理，在輸出結果中對輸出數據進行統一處理。

本研究采用含有一層隱藏層的三層BP神經網絡結構對鍋爐進行排放特性建模，其中輸入層網絡的神經元節點為14個，輸出層節點為1個，隱藏層節點為16個，各層之間用log-sigmoid函數連接，學習效率為0.8。針對熱態試驗的每一個工況，取18個培訓樣本數據用于網絡培訓學習，3個檢驗樣本數據用于測試網絡性能，當培訓均方誤差小于0.001時結束培訓。再結合遺傳算法優化網絡初始權值和門檻，對比網絡優化前后的性能差異。

2.2建模結果

從圖1可以看出，訓練的真實值與神經網絡的模擬值相對一致，大部分情況都可以模擬，模擬平均誤差為1.37%，其中最大的相對誤差出現在訓練樣本9，最大的相對誤差為4.61%。

圖1、模擬

3個檢驗樣本的相對誤差分別為0.46%、0.59%、2.34%，一般省煤器出口NOX排放值約為400mg/m3，模擬誤差完全滿足發電站運行的需要。NOX排放神經網絡模型的三個驗證數據相對較大，但神經網絡模型的模擬誤差小，證明神經網絡模型的泛化能力強。

3網絡優化

遺傳算法是基于環境選擇和生物繁殖行為進化的優化方法，利用仿生技術解決實際問題，利用遺傳學中的基因重組、基因變異產生適應性高的新個體，通過多代遺傳，最終取得最佳結果。在鍋爐NOX排放神經網絡模模型，結合遺傳算法優化模型，優化后網絡性能更好。本研究以網權和門檻為目標函數，初始種群數為35，交叉概率為0.4，變異概率為0.2，設置進化代數為100代，圖2為適應度曲線。

圖2適應度曲線

優化結果如圖3所示。從圖3可以看出，優化后的模型精度更高，平均模擬誤差為0.18%，訓練樣本9的誤差在優化后降至0.85%。3個檢測樣本的相對誤差分別為0.39%、0.51%、0.80%，平均模擬誤差為0.57%。

圖3優化后的模擬

對BP神經網進行線性回歸分析，結果表明訓練數據線性回歸分析基本準確，測試數據線性回歸有些偏差，整個網絡的大部分數據基本上可以保持小誤差的模擬，有些數據點分布在直線兩側，在可接受范圍內。優化結果表明，遺傳算法優化BP神經網絡是有效的，可以提高網絡的準確性和泛化能力。

表2模型性能對比

4結論

(1)對某660MW超臨界鍋爐的NOX排放特性構建了BP神經網絡模型，模型的平均模擬誤差為1.37%，檢驗樣品的平均相對誤差為1.13%

(2)結合遺傳算法，優化建立的BP神經網絡NOX排放模型，優化后的平均模擬誤差為0.18%，比優化前下降，檢驗樣本的數據跨度大，但模擬誤差小，證明模型的泛化能力強。結果表明，遺傳算法優化神經網絡可以提高其性能。